15 問の整数解（0〜999）形式で、LLM の深い思考力を数値化します。GSM8K が頭打ちになった後、推論強化系モデルの実力差を測る指標として定着しました。
ベンチマーク
248
AIME
エーアイエムイー
体験区分：調査ベース
推奨読者レベル：Level 3-5
何をしてくれるか
どこで出会うか
最新世代モデルの性能比較で登場します。「AIME 2024 で何点か」という形で Thinking モデル（G-14）の実力指標として業界レポートや SNS に出てきます。
比較図
2026.04·ready
「AIME 2024 で o3 系が満点近かった、と Twitter で話題になっていましたね。」
AIMEの見方
249
この用語の見どころ
1
役割
Thinking モデルの推論深度を測る競技数学ベンチマークです。
2
うれしさ
整数解のみなので採点が機械的で、スコア比較が容易です。
3
注意点
年度ごとに問題が変わるため、異なる年度同士の比較は不公平になります。
4
どこで役立つか
推論強化系モデルの世代比較や購入判断の参考になります。
5
はじめに
GSM8K が頭打ちになった先にある、上位難度指標として把握しましょう。
6
深掘り先
GSM8K, MATH, Thinking モデル
非エンジニアのつまずき
- 初めて知りましたが、問題例を見ないとレベル感が想像できません。
私のコメント
- 第一印象:今回初めて知りました。
- 良い点:人間が理解できる問題で能力を測れる点が良いです。
- ダメな点:現行モデルでは差がつきにくくなってきています。
- 誰向けか:ベンチマーク変遷を調べたい研究者寄りの人向けです。
開発フローでの位置
難度の把握
年度の統一
スコアの読み取り
モデル選定の参考
関連用語
E-25·benchmark
バイブコーディング図鑑